Artigo
Yuri Marx · Fev. 5 8min de leitura

Detecção de Objetos com Embedded Python e IRIS

A partir do IRIS 2021.2 é possível escrever métodos de classe usando a linguagem Python. Usei esse novo recurso para detectar pessoas e objetos em imagens, usando o ImageAI (https://github.com/OlafenwaMoses/ImageAI). O criador do ImageAI o define como: "Uma biblioteca python de código aberto criada para permitir aos desenvolvedores criarem aplicativos e sistemas com recursos autônomos de Deep Learning e Visão Computacional usando poucas linhas de código". Neste artigo, você aprenderá como aplicar a ImageAI para detectar objetos e pessoas dentro de imagens.

Passos para analisar imagens usando o ImageAI

  1. Vá em https://openexchange.intersystems.com/package/AI-Image-Object-Detector e clique Download para ir ao Projeto Git
  2. Clone/git pull no repositório para qualquer pasta local
$ git clone https://github.com/yurimarx/image-analyzer.git
  1. Abra o terminal e vá no diretório onde o projeto foi criado e execute:
$ docker-compose build
  1. Execute o IRIS container:
$ docker-compose up -d 
  1. Vá no seu Postman (ou outros clientes REST) e configure a requisição de acordo com a imagem:

Request Image Analysis input

  1. Clique em enviar e obtenha uma resposta como esta:

Request Image Analysis output

Os bastidores - o código-fonte

O Dockerfile

Esse é um passo importante. Para usar as bibliotecas do python você precisa instalar isto antes, preste atenção do diretório correto do Python que o IRIS utiliza (/usr/irissys/mgr/python):

 
Dockerfile
  • pip3 é uma ferramenta do python para instalar novas bibliotecas, como o imageai, opencv, tensorflow e outras.
  • o parâmetro target é utilizado para instalar as bibliotecas do python onde o IRIS precisa, na pasta /usr/irissys/mgr/python.
  • O ImageAI utiliza as seguintes bibliotecas:
    • TensorFlow: "é uma biblioteca de código aberto para computação numérica e aprendizado de máquina em larga escala. O TensorFlow reúne uma série de modelos e algoritmos de aprendizado de máquina e aprendizado profundo (também conhecido como rede neural) e os torna úteis por meio de uma metáfora comum. Ele usa Python para fornecer uma API de front-end conveniente para criar aplicativos com a estrutura correta, enquanto executa esses aplicativos em C++ em alto desempenho" (fonte: https://www.infoworld.com/article/3278008/what-is-tensorflow-the -machine-learning-library-explained.html)
    • Keras: "Keras é uma API de aprendizado profundo escrita em Python, executada na plataforma de aprendizado de máquina TensorFlow. Ela foi desenvolvida com foco em permitir a experimentação rápida. Ser capaz de ir da ideia ao resultado o mais rápido possível é a chave para fazer boa pesquisa." (fonte: https://keras.io/about/)
    • OpenCV: "(Open Source Computer Vision Library) é uma biblioteca de software de visão computacional e aprendizado de máquina de código aberto. OpenCV foi construído para fornecer uma infraestrutura comum para aplicativos de visão computacional e acelerar o uso de percepção de máquina nos produtos comerciais" (fonte: https://opencv.org/about/).
  • O ImageAI é um framework que combina oTensorFlow, Keras e OpenCV para te permitir treinar e usar modelos de mercado de deep learning facilmente, visando:
    • Predição de imagens;
    • Detecção de Objetos;
    • Detecção de objetos em vídeo e o acompanhamento em tempo real do vídeo;
    • Análise de Vídeos;
    • Treinamento de modelos customizados (como o treinamento de um modelo para risco de queda em hospital, por exemplo).
  • O ImageAI trabalha com 3 modelos principais de Computação Visual para detecção de objetos:
    • RetinaNet (Tamanho = 145 mb, longo tempo de resposta, mas ótima acurácia)
    • YOLOv3 (Tamanho = 237 mb, tempo de resposta e acurácia moderadas)
    • TinyYOLOv3 (Tamanho = 34 mb, ótimo tempo de resposta e acurácia moderada)
  • A pasta input armazena as imagens a serem analisadas;
  • A pasta output armazena os resultados (imagens com as marcações);
  • A pasta models armazena os modelos treinados para utilização no imageai.
  • Este exemplo usa o modelo RetinaNet (restnet50)

Implementação do Embedded Python no IRIS

A implementação do código fonte é simples, e em poucas linhas fazemos a detecção de objetos (razão do uso do ImageAI). Se o tensorflow fosse usado diretamente com OpenCV e Keras, muito mais linhas de código teriam sido escritas. Veja o código comentado:

 
Implementação do ImageAI

A API do IRIS para export a detecção de Objetos como um Microsserviço do IRIS

É muito fácil chamar o classmethod python, é semelhante chamar qualquer classmethod objectscript, veja:

 
Microsserviço IRIS para detectar objetos dentro de imagens

Você pode fazer muitas coisas com Embedded Python e ImageAI. Saiba mais sobre ImageAI em: https://github.com/OlafenwaMoses/ImageAI.

Este aplicativo de exemplo usando imageai participará do concurso Python, se você gostou, vote nele. Obrigado!

0
1 31
Discussão (0)1
Entre ou crie uma conta para continuar